Rust图像处理第24节- 噪声模型 + 中心极限定理：椒盐噪声 + CLT 可视化

🦀 Rust + WASM 实战系列 第 24 篇 阅读时间：约 5 分钟 | 实战可运行

📌 写在前面

任务 23 讲了怎么采 高斯和泊松噪声------这一篇讲第三种噪声（椒盐） + 一个为什么高斯无处不在的原理（中心极限定理）。

内容	物理场景	算法
椒盐噪声	老电视雪花、损坏照片	概率置 0/255
中心极限定理	解释"为什么高斯无处不在"	多个均匀之和 → 钟形

---

🚀 TL;DR

核心概念：

• 椒盐噪声 = 每个像素 density 的概率被随机设为 0（黑）或 255（白）

• CLT = 多个独立同分布随机变量之和 → 趋向正态分布（无论单个是什么分布）

  1 个均匀 → 矩形分布
  2 个之和 → 三角形
  4 个之和 → 鼓包
  12 个之和 → 几乎完美的正态

---

📖 目录

1. 椒盐噪声：最简单也最暴力
2. [3 种噪声对比（高斯 / 泊松 / 椒盐）](#3 种噪声对比（高斯 / 泊松 / 椒盐） "#%E4%BA%8C3-%E7%A7%8D%E5%99%AA%E5%A3%B0%E5%AF%B9%E6%AF%94%E9%AB%98%E6%96%AF--%E6%B3%8A%E6%9D%BE--%E6%A4%92%E7%9B%90")
3. 中心极限定理：为什么高斯无处不在
4. [CLT 可视化实现](#CLT 可视化实现 "#%E5%9B%9Bclt-%E5%8F%AF%E8%A7%86%E5%8C%96%E5%AE%9E%E7%8E%B0")
5. 关键代码
6. 前端效果展示
7. 踩坑提醒
8. 接下来

---

一、椒盐噪声：最简单也最暴力

算法（伪代码）：

for each pixel:
    if random() < density:
        if random() < 0.5:
            pixel = 0        // 黑点
        else:
            pixel = 255      // 白点

• density：噪声像素占比（0~1）
• 黑点白点各 50%------所以叫"椒盐"

Rust 代码：

#[wasm_bindgen]
pub fn salt_pepper_noise(pixels: &[u8], w: u32, h: u32, density: f32) -> Vec<u8> {
    for i in 0..n {
        let r = uniform_random();
        if r < density {
            // 随机设黑或白
            if (x & 1) == 0 {
                out[idx] = 0;
                // ...
            } else {
                out[idx] = 255;
                // ...
            }
        }
    }
}

---

二、3 种噪声对比（高斯 / 泊松 / 椒盐）

噪声	物理模型	算法	视觉	真实场景
高斯	$N(0,\sigma 2)N(0,\; \backslash sigma^2)$ N(0,σ2)	Box-Muller	平滑小波动	传感器热噪声
泊松	$Poisson(\lambda )\backslash text\{Poisson\}(\backslash lambda)$ Poisson(λ)	Knuth	颗粒感（暗处明显）	暗光摄影、医学影像
椒盐	概率置 0/255	随机数	黑白点散布	老电视、数据错误

---

三、中心极限定理：为什么高斯无处不在

定理（简化版）：

多个独立的随机变量之和 → 当数量足够大时 ，趋向正态分布。

不管单个变量是什么分布！

直觉例子

n 个均匀分布之和	形状
1	矩形
2	三角形
3	鼓包
4	接近钟形
8	几乎正态
12	完全正态

关键 ：每个均匀都是平的，但 12 个加起来 → 漂亮的钟形。

现实世界

几乎所有"复杂现象"都符合 CLT：

• 测量误差 = 仪器误差 + 读数误差 + 温度漂移 + ...（多个独立随机）
• 人类身高 = 基因 + 营养 + 运动 + 睡眠 + ...（多个独立因素）
• 股票价格变化 = 无数交易者的买卖决策之和
• 图像噪声 = 多个电路/光学噪声源叠加

→ 都近似正态 → 高斯无处不在

---

四、CLT 可视化实现

CLT 不需要 WASM------用 Math.random() 算就行，更简单更快：

function computeHistogram(n) {
  // n = 几个均匀分布之和
  const N_SAMPLES = 10000
  const N_BINS = 40
  const bins = new Array(N_BINS).fill(0)

  for (let i = 0; i < N_SAMPLES; i++) {
    let sum = 0
    for (let j = 0; j < n; j++) {
      sum += Math.random()  // 0~1
    }
    // sum ∈ [0, n]，归一化到 bin
    const bin = Math.floor(sum / n * N_BINS)
    bins[bin]++
  }
  return bins
}

滑块 n=1~12------读者拖动看柱状图从"矩形"变成"钟形"。

五、关键代码

#[wasm_bindgen]
pub fn salt_pepper_noise(pixels: &[u8], width: u32, height: u32, density: f32) -> Vec<u8> {
    let mut out = pixels.to_vec();
    let n = (width * height) as usize;
    let d = density.clamp(0.0, 1.0) as f64;

    for i in 0..n {
        // xorshift64 PRNG（同任务 23 的实现）
        let r = (xorshift_next() >> 11) as f64 / (1u64 << 53) as f64;
        
        if r < d {
            let idx = i * 4;
            if /* random bit */ {
                out[idx] = 0; out[idx+1] = 0; out[idx+2] = 0;  // 黑
            } else {
                out[idx] = 255; out[idx+1] = 255; out[idx+2] = 255;  // 白
            }
        }
    }
    out
}

核心 5 行------和第 23 节一样用自实现 PRNG。

---

六、前端效果展示

七、踩坑提醒

1. 椒盐 density 不能超过 0.5

let d = density.clamp(0.0, 1.0) as f64;

50% 时图基本全黑/全白------没有意义。前端限制 0~0.5。

2. 椒盐 = 模拟"传输错误"，不是"自然噪声"

用途	适合
模拟老电视、坏照片	✅ 椒盐
模拟真实相机噪声	❌ 用泊松
模拟电子电路噪声	❌ 用高斯

不要混用------它们是不同的物理模型。

3. CLT 需要 n > 30 才严格成立

我们画 n=1~12 主要是直觉演示------严格数学上 n ≥ 30 才"近似"。

---

八、接下来

任务 25：图像增强（自适应阈值 + 直方图均衡化）

任务 24 讲怎么加噪（破坏） 任务 25 讲怎么还原（修复）

两个工具：

• 自适应阈值：处理光照不均
• 直方图均衡化：让暗图变清晰

任务 26：概率驱动图像生成（随机游走 + 马尔可夫链 + 图像合成 + 修复）

---

一句话总结

椒盐噪声 = 概率置 0/255（最简单、最暴力）。

CLT = 多个独立随机变量之和 → 正态分布。

滑块 1~12 看柱状图从"平"变"钟"------为什么高斯无处不在的直觉。

---

📦 项目地址 ：pixel-math-wasm 🦀 Rust + WebAssembly 实战系列

---

🏷️ 标签 ：#Rust #WebAssembly #图像处理 #椒盐噪声 #中心极限定理 #高斯分布 #CLT